热点事件持续更新

机器学习框架预测半Heusler热电材料zT

1 篇报道1 个报道来源2 小时前更新

先了解这件事

AI 综述

Shoeb Athar、Adrien Mecibah 和 Philippe Jund 发布论文（arXiv:2602.01149v2），提出面向半Heusler热电材料 zT 预测的可泛化机器学习框架，重点评估对未见过的成分的预测能力。框架结合 PCA 数据划分、贝叶斯超参数优化、基于相关性的特征筛选，并使用 Random Forest、XGBoost、Neural Network 和 SISSO。相对全部 118 个输入特征，优化后的特征子集使测试 RMSE 降低 16%–27%。作者还对新化合物 CeCoBi 和 CeIrBi 进行了第一性原理计算，称该筛选得到一批有待后续研究的候选材料。

AI 根据报道生成 · 48 分钟前更新

最新进展10月12日 12:00

机器学习框架提升半赫斯勒热电材料 zT 预测泛化性

报道时间线

沿着报道，了解事件的不同侧面。

10月12日

12:00
arXiv · Materials Science
机器学习框架提升半赫斯勒热电材料 zT 预测泛化性
作者提出面向半赫斯勒热电材料 zT 预测的可泛化机器学习框架，重点评估对未探索成分的预测。框架结合PCA数据划分、贝叶斯超参数优化、基于相关性的特征筛选、Random Forest、XGBoost、Neural Network和SISSO；在118个输入特征中，优化特征子集使测试RMSE降低16%–27%，研究还进行了新化合物CeCoBi和CeIrBi的第一性原理计算。

本事件热度走势

还没有足够的连续观测数据，暂不绘制趋势。